Question

我一直在使用这个perl脚本（感谢Jeff Schaller）来匹配两个单独的csv文件的标题字段中的3个或更多单词。这里的原始问题：

https://unix.stackexchange.com/questions/283942/matching-3-or-more-words-from-fields-in-separate-csv-files?noredirect=1#comment494461_283942

我还根据meuh的建议添加了一些异常功能：

#!/bin/perl

my @csv2 = ();
open CSV2, "<csv2" or die;
@csv2=<CSV2>;
close CSV2;

my %csv2hash = ();
for (@csv2) {
  chomp;
  my ($title) = $_ =~ /^.+?,\s*([^,]+?),/; #/ match the title 
  $csv2hash{$_} = $title;
}

open CSV1, "<csv1" or die;
while (<CSV1>) {
  chomp;
  my ($title) = $_ =~ /^.+?,\s*([^,]+?),/; #/ match the title 
  my @titlewords = split /\s+/, $title;    #/ get words

  my @new;                          #add exception words which shouldn't be matched
  foreach my $t (@titlewords){
  push(@new, $t) if $t !~ /^(and|if|where)$/i;
  }
  @titlewords = @new;
  my $desired = 3;
  my $matched = 0;
  foreach my $csv2 (keys %csv2hash) {
    my $count = 0;
    my $value = $csv2hash{$csv2};
    foreach my $word (@titlewords) {
      ++$count if $value =~ /\b$word\b/i;
      last if $count >= $desired;
    }
    if ($count >= $desired) {
      print "$csv2\n";
      ++$matched;
    }
  }
  print "$_\n" if $matched;
}
close CSV1;

在我的测试过程中，我发现我想调整的一个问题是，如果csv2包含单个常用字，例如the，如果在csv1中复制三次或更多次，那么三次找到积极匹配。澄清：

如果csv1包含：

1216454,the important people feel the same way as the others, 15445454, 45445645

^即上面一行中有三个the的内容

如果csv2包含：

14564564,the tallest man on earth,546456,47878787

^即此行中有the的一个实例

然后我希望只有一个单词被归类为匹配，并且没有输出（基于我想要的匹配单词数量 - 3），因为在其中一个文件中只有一个匹配单词的实例。 / p>

但是如果：

csv1包含：

1216454,the important people feel the same way as the others,15445454, 45445645

和csv2包含：

15456456,the only way the man can sing the blues,444545,454545

然后，由于每个标题中有三个匹配的单词（即每个标题中单词the的3个实例），我希望根据我想要的匹配单词数量将其归类为匹配标题3或更多，从而产生输出：

1216454,the important people feel the same way as the others,15445454, 45445645
15456456,the only way the man can sing the blues,444545,454545

我想修改脚本，以便如果csv中有一个单词的实例，而另一个csv中有同一个单词的多个实例，那么它只被归类为一个匹配。但是，如果在两个文件中都有3个单词the的实例，那么它仍然应该被归类为三个匹配。基本上我希望匹配是逐字逐句的。关于脚本以外的所有内容都是完美的，所以我不想完全回到绘图板，因为我对除此之外的所有内容感到满意。我希望我已经解释好了，如果有人需要任何澄清，请告诉我。

Answer 1

如果你只想计算唯一匹配，你可以使用哈希而不是列表来收集csv1中的单词，就像你对csv2一样，然后计算出现的次数每个单独的单词：

#!/usr/bin/env perl

my @csv2 = ();
open CSV2, "<csv2" or die;
@csv2=<CSV2>;
close CSV2;

my %csv2hash = ();
for (@csv2) {
  chomp;
  my ($title) = $_ =~ /^.+?,\s*([^,]+?),/; #/ match the title 
  $csv2hash{$_} = $title;
}

open CSV1, "<csv1" or die;
while (<CSV1>) {
  chomp;
  my ($title) = $_ =~ /^.+?,\s*([^,]+?),/; #/ match the title 
    my %words;
    $words{$_}++ for split /\s+/, $title;    #/ get words
    ## Collect unique words
    my @titlewords = keys(%words);
  my @new;                          #add exception words which shouldn't be matched
  foreach my $t (@titlewords){
        push(@new, $t) if $t !~ /^(and|if|where)$/i;
  }
  @titlewords = @new;
  my $desired = 3;
  my $matched = 0;
  foreach my $csv2 (keys %csv2hash) {
    my $count = 0;
    my $value = $csv2hash{$csv2};
    foreach my $word (@titlewords) {
            my @matches   = ( $value=~/\b$word\b/ig );
            my $numIncsv2 = scalar(@matches);
            @matches      = ( $title=~/\b$word\b/ig );
            my $numIncsv1 = scalar(@matches);
            ++$count if $value =~ /\b$word\b/i;
            if ($count >= $desired || ($numIncsv1 >= $desired && $numIncsv2 >= $desired)) {
                $count = $desired+1;
                last;
            }
    }
    if ($count >= $desired) {
      print "$csv2\n";
      ++$matched;
    }
  }
  print "$_\n" if $matched;
}
close CSV1;

修改perl脚本，以便逐字匹配单词

1 个答案: